1. 智能阀门定位器的控制方法，其特征在于，包括以下步骤：

步骤1、构建阀门定位器的智能调节子系统

阀门定位器的智能调节子系统包括三角模糊数的BiGRU神经网络模型‑PSO的NARX神经网络模型、PSO的递归模糊小波神经网络控制器、PI控制器‑BiGRU神经网络模型、PSO的NARX神经网络模型、BiGRU神经网络模型、参数检测模块和积分回路；

步骤2、构建参数检测模块

参数检测模块包括AANN自联想神经网络模型‑新陈代谢灰色GM（1，1）模型、AANN自联想神经网络模型‑CNN卷积神经网络模型、AANN自联想神经网络模型‑BiGRU神经网络模型、TDL按拍延迟器和三角模糊数的BiGRU神经网络模型‑PSO的递归模糊小波神经网络模型；

步骤3、检测阀门位置的阀位传感器输出和阀位给定值分别作为阀门定位器的智能调节子系统的对应输入，阀门定位器的智能调节子系统输出作为阀门调节机构输入，阀门调节机构输出实现对阀门进行进行调节。

2.根据权利要求1所述智能阀门定位器的控制方法，其特征在于，所述步骤1中，阀位传感器输出作为参数检测模块输入，参数检测模块输出分别作为积分回路、BiGRU神经网络模型1、PSO的递归模糊小波神经网络控制器和PSO的NARX神经网络模型的对应输入，积分回路输出作为BiGRU神经网络模型1的对应输入，BiGRU神经网络模型1输出分别作为三角模糊数的BiGRU神经网络模型‑PSO的NARX神经网络模型和PSO的NARX神经网络模型的对应输入，阀位给定值作为三角模糊数的BiGRU神经网络模型‑PSO的NARX神经网络模型的对应输入，三角模糊数的BiGRU神经网络模型‑PSO的NARX神经网络模型输出与PSO的NARX神经网络模型输出的时间序列误差和时间序列误差变化率分别作为PSO的递归模糊小波神经网络控制器的对应输入，PSO的NARX神经网络模型的前一时刻输出与PSO的NARX神经网络模型的当期时刻输出的误差和误差变化率作为PI控制器‑BiGRU神经网络模型的对应输入，PI控制器‑BiGRU神经网络模型输出作为BiGRU神经网络模型2的对应输入，PSO的递归模糊小波神经网络控制器输出分别作为BiGRU神经网络模型2和三角模糊数的BiGRU神经网络模型‑PSO的NARX神经网络模型的对应输入，BiGRU神经网络模型2输出作为阀门调节机构输入和PSO的递归模糊小波神经网络控制器的对应输入，阀门调节机构输出实现对阀门进行进行调节。

3.根据权利要求1所述智能阀门定位器的控制方法，其特征在于，所述步骤2中，参数传感器输出时间序列值分别作为AANN自联想神经网络模型‑新陈代谢灰色GM（1，1）模型、AANN自联想神经网络模型‑CNN卷积神经网络模型、AANN自联想神经网络模型‑BiGRU神经网络模型的对应输入，AANN自联想神经网络模型‑新陈代谢灰色GM（1，1）模型输出作为AANN自联想神经网络模型‑CNN卷积神经网络模型的对应输入，AANN自联想神经网络模型‑CNN卷积神经网络模型输出作为AANN自联想神经网络模型‑BiGRU神经网络模型的对应输入，AANN自联想神经网络模型‑新陈代谢灰色GM（1，1）模型输出、AANN自联想神经网络模型‑CNN卷积神经网络模型输出、AANN自联想神经网络模型‑BiGRU神经网络模型输出和TDL按拍延迟器输出分别作为分别作为三角模糊数的BiGRU神经网络模型‑PSO的递归模糊小波神经网络模型的对应输入，三角模糊数的BiGRU神经网络模型‑PSO的递归模糊小波神经网络模型输出作为TDL按拍延迟器的输入，三角模糊数的BiGRU神经网络模型‑PSO的递归模糊小波神经网络模型输出的3个参数分别为i、j、k构成参数传感器输出的三角模糊数值为[i，j，k]；三角模糊数的BiGRU神经网络模型‑PSO的递归模糊小波神经网络模型输出作为参数检测模块输出。

4.根据权利要求1或2所述智能阀门定位器的控制方法，其特征在于，所述积分回路由2个积分算子S相串联构成，1个积分算子的输入端作为积分回路输入，积分回路的2个积分算子连接端和1个积分算子输出端作为积分回路输出。

5.智能阀门定位器的控制物联网系统，其特征在于，所述云平台系统的检测节点采集被控制对象参数经网关节点上传到云平台，并利用云平台提供的数据给客户端APP，客户端APP通过云平台提供的压力数据信息可实时监测压力变化和调节控制节点的流量调节机构，检测节点和控制节点负责采集压力参数信息和控制流量调节机构，通过网关节点实现检测节点、控制节点、现场监控端、云平台和客户端APP的双向通信，实现压力数据采集和流量调节机构控制，系统加载有实现如权利要求1‑4任一项所述智能阀门定位器的控制物联网系统的计算机程序步骤。